[发明专利]一种基于视觉-属性的X射线安检违禁品识别方法

说明书

本发明涉及计算机视觉领域，采用深度学习框架，具体涉及一种基于视觉—属性的X射线安检违禁品识别方法，包括以下步骤：1)采集标注训练样本，获取原始的单通道16位高、低能X射线灰度图，经过基于视觉‑属性的预处理，得到16位三通道彩色图像作为数据集，用于模型训练和测试；2)将训练集图像输入网络中进行训练：使用darknet网络从输入图像中提取特征，输出特征图谱；采用yolo层在多个尺度对特征图谱进行边界框预测。经过训练，该模型支持对已标注的12类违禁品进行识别；3)将测试集图像输入模型中进行测试，输出识别结果，并在输入图像上标记违禁品显示；根据IoU和R‑P曲线计算得到mAP。与现有技术相比，本发明具有高准确性、高智能化、高通配性等优点。

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种基于视觉-属性的X射线安检违禁品识别方法。

背景技术

在人流量较大的公共场所，人员密集且复杂，经常会有不法分子携带刀枪、炸弹等违禁物品伺机作案。为了避免重大的人员伤亡和财产损失，这些公共场所都会设置安检系统，其中最普遍的就是X射线安检系统。

对于X射线安检系统生成的行李图像，现在大多数监测方法是采用人工识别，靠工作人员用肉眼对行李中的违禁品进行识别和定位。但这种方法存在很明显的弊端：1.工作人员长时间进行物体识别，势必会产生疲劳，导致注意力下降。这会对监测结果产生一定的影响，降低违禁品的识别率，给不法分子以可乘之机。2.工作人员用肉眼识别的速度较为缓慢，造成安检工作效率较低。3.担任安检监测工作的工作人员在上岗前需要进行长时间的培训，会消耗大量的人力物力。

如何找出一种方法模仿人工效果成为安全监测的关键问题。而深度学习的动机恰恰在于建立、模拟人脑进行分析学习，它通过模仿人脑的机制来解释数据。因此使用深度学习的方法来进行安检违禁品识别成为可能。违禁品识别问题大体可分为两个部分：目标分类和违禁品定位。

专利CN 106250936 A提出了一种基于机器学习的多特征多线程安检违禁品识别方法，使用Adaboost分类器结合LBP+HOG特征提取对人工识别方法进行了改进，克服了人工检测的低效和出错率。但是训练前期的预处理和特征提取过程过于复杂，并且输出结果仅仅是违禁品的分类，没有实现违禁品的定位，这种分两步走的方法缺少端到端的能力，难以部署到安检机上。

专利CN 108519625 A提出了一种基于射线技术与深度学习的安检违禁品识别方法，引入了深度学习的概念，能够使用更简单有效的模型来实现违禁品识别。但是整个方法需要基于大量物理条件，比如核密度计、光谱分析仪等，训练过程复杂，当类别增加时需要重新训练整个分类器并修改模型，这种每类单独训练分类器的方法在实际运用过程中不易实现。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于视觉-属性的X射线安检违禁品识别方法，可以部署到安检机上进行使用。

本发明的目的可以通过以下技术方案来实现：

一种基于视觉-属性的X射线安检违禁品识别方法，包括以下步骤：

1)采集标注训练样本，获取原始的单通道16位高、低能X射线灰度图，经过基于视觉-属性的预处理，得到16位三通道彩色图像作为数据集，用于模型训练和测试；。

2)将训练集图像输入网络中进行训练：使用darknet网络从输入图像中提取特征，输出特征图谱；采用yolo层在多个尺度对特征图谱进行边界框预测。使用darknet网络的输出作为yolo层的输入，得到检测模型。经过训练，该模型支持对已标注的12类违禁品进行识别。

3)将测试集图像输入模型中进行测试，输出识别结果，并在输入图像上标记违禁品显示；根据IoU和R-P曲线计算得到mAP。

所述的步骤1)图像预处理具体包括以下步骤(此处理过程为原创)：